Голоса-персонажи для мемов и скетчей: как задать ИИ-голосу характер

Чтобы у ИИ-голоса появился характер, одного удачного тембра мало. Персонажа собирают из трёх вещей: подходящего голоса, короткой ремарки о манере («ворчит», «шепчет с придыханием», «говорит как ведущий утреннего эфира») и текста, в котором герой говорит так, как говорил бы в жизни. Когда все три слоя совпадают, даже пятисекундная реплика звучит как маленькая роль, а не как чтение с листа. Ниже разберём четыре узнаваемых типажа, покажем, как задать их в ElevenLabs V3 и Gemini 3.1 TTS, и соберём сценку на двоих.

Чем персонаж отличается от просто голоса

Обычная озвучка старается быть незаметной: ровно, понятно, приятно. Персонаж наоборот должен быть заметным. Слушатель за пару секунд понимает, кто перед ним: старик, который всем недоволен, соседка, которая всё про всех знает, или ведущий, у которого даже прогноз погоды звучит как финал шоу.

Меня это когда-то удивило: узнаваемость почти никогда не держится на уникальном тембре. Она держится на манере: темпе, паузах, вздохах, любимых словечках, на том, где человек повышает голос, а где понижает. А манера как раз хорошо описывается словами, и современные голосовые модели её слышат.

Если вам нужен нарочито механический голос для мемов, это отдельная история, мы разбирали её в статье про роботный голос. Здесь речь о живых, человеческих характерах.

Три слоя характера

Порядок работы простой, но если его нарушить, придётся по многу раз перегенерировать одно и то же.

Слой первый — тембр. Это сам голос, который вы выбираете из списка. Низкий или высокий, мужской или женский, молодой или возрастной, с хрипотцой или звонкий. Тембр задаёт «кто это» в самом общем виде. Его подбирают один раз на персонажа и дальше не меняют.

Слой второй — манера. Как этот человек говорит прямо сейчас: устало, язвительно, взахлёб, шёпотом, с театральной паузой. Манера меняется от реплики к реплике, и именно её вы задаёте тегами и ремарками.

Слой третий — текст. Самый недооценённый. Ворчун не скажет «я испытываю лёгкое раздражение». Он скажет «ну конечно, опять». Если в тексте нет характера, никакой тег его не вытянет.

Четыре типажа и как их задать

Возьмём четыре героя, которые встречаются в скетчах чаще всего. Для каждого — что искать в тембре, как описать манеру и каким должен быть текст.

Ворчун

Тембр: низкий, чуть хрипловатый, возрастной. Манера: неторопливая, с тяжёлыми вздохами, с паузой перед главной претензией. Фразы короткие, часто начинаются с «ну», «вот», «опять».

[sighs] Ну конечно. Опять лифт не работает.
[pause] Двадцать лет живу в этом доме. [sighs] Двадцать лет.
И каждый раз одно и то же. [grumbling] Кто вообще придумал седьмой этаж?

Сплетница

Тембр: средний или высокий, живой, подвижный. Манера: быстрая, с переходом на заговорщический шёпот в самом интересном месте и с довольным смешком в конце. Текст полон «представляешь», «а она», «только никому».

[excited] Ты слышала? Нет, ты правда не слышала?
[whispers] Наша соседка сверху… купила второй холодильник.
[whispers] Второй! Зачем человеку два холодильника?
[giggles] Только никому, ладно?

Телеведущий

Тембр: поставленный, уверенный, скорее средний. Манера: бодрая, с подъёмом интонации к концу фразы, с широкими паузами, будто ждёт аплодисментов. Текст торжественный даже про ерунду.

[enthusiastic] Добрый вечер, дорогие зрители!
Сегодня в нашей студии — событие, которого вы так долго ждали.
[pause] Кот… наконец… слез со шкафа!
[excited] Встречайте!

Злодей

Тембр: низкий или, наоборот, слишком мягкий и вкрадчивый — оба варианта работают. Манера: медленная, с растянутыми словами и неприятно спокойной улыбкой в голосе. Текст вежливый, и от этого страшнее.

[calm] Вы съели последний сырник.
[pause] Я не сержусь. [softly] Совсем не сержусь.
[slow] Просто… запомните этот день.
[evil laugh]

Обратите внимание: во всех четырёх примерах теги только подсказывают манеру, а смешным или жутким реплику делает сам текст.

ElevenLabs V3: теги эмоций и режим Диалог

В каталоге Most AI есть ElevenLabs V3 в двух режимах: Диктор и Диалог. Для персонажей важно, что эта модель понимает теги в квадратных скобках прямо внутри текста. Тег ставится перед фразой или словом и меняет подачу именно этого кусочка: вздох, шёпот, смех, радость, сарказм.

Несколько практических советов по тегам.

• Пишите теги по-английски, короткими словами: [sighs], [whispers], [laughs], [excited], [sarcastic]. Так модель понимает их надёжнее, чем длинные описания.
• Не ставьте по три тега подряд на одну фразу. Один тег — одна смена настроения. Иначе модель начинает метаться, и характер размывается.
• Если тег проигнорирован, сначала поправьте текст. Шёпот лучше получается на короткой фразе с многоточием, чем на длинном сложном предложении.
• Паузу можно задать и тегом, и просто многоточием. Многоточие даёт более естественную заминку.

Режим Диалог будто придуман под скетчи. В нём вы пишете сцену по репликам и каждой назначаете своего спикера со своим голосом. Модель озвучивает всю сценку одним файлом, с естественными переходами между героями. Это удобнее, чем генерировать каждую реплику отдельно и потом стыковать их в монтажке: темп разговора получается живым, герои не говорят «в пустоту».

Режим Диктор пригодится, когда в сцене один персонаж: монолог ворчуна, закадровый голос ведущего, реплика злодея для мема.

Сценка на двоих: пример целиком

Соберём условную сценку «Ворчун и сплетница у подъезда». Сначала продумайте её на бумаге: кто начинает, где поворот, чем заканчивается. Скетч на тридцать секунд — это обычно шесть-восемь реплик, не больше.

Спикер 1 (ворчун): [sighs] Опять кто-то велосипед у двери поставил.
Спикер 2 (сплетница): [excited] А ты не знаешь чей? Я знаю!
Спикер 1 (ворчун): [grumbling] Ну и чей?
Спикер 2 (сплетница): [whispers] Из сорок второй квартиры. Там новый жилец… говорят, спортсмен.
Спикер 1 (ворчун): [sarcastic] Спортсмен. Поэтому велосипед на лестнице, а не под ним.
Спикер 2 (сплетница): [giggles] Вот и я говорю!
Спикер 1 (ворчун): [pause] [sighs] Я вообще-то ничего не говорил.

Подписи «Спикер 1 (ворчун)» здесь для наглядности: в генерацию идёт текст реплики с тегом, а голос вы назначаете спикеру.

Как с этим работать:

1. Назначьте каждому спикеру голос, который вы заранее подобрали на пробных фразах. Контраст важен: если оба голоса похожи по высоте и темпу, слушатель будет путаться.
2. Сгенерируйте сцену целиком и послушайте без текста перед глазами. Понятно ли, кто говорит? Слышен ли характер?
3. Если одна реплика не получилась, правьте именно её: меняйте тег или переписывайте фразу. Остальное не трогайте.
4. Когда сцена звучит, сохраните голоса и удачные теги в заметку. В следующем эпизоде герои должны звучать так же.

Если потом вы кладёте такую сценку на вертикальное видео, пригодятся советы из статьи про голос для вертикальных роликов: там про длину, склейки и субтитры.

Gemini 3.1 TTS: характер через ремарку

Gemini 3.1 TTS в каталоге работает в режиме Диктор, то есть озвучивает одного говорящего за раз. Характер здесь удобнее задавать не тегами, а обычной ремаркой на русском, как режиссёр объясняет актёру. Ремарку ставят перед текстом, она описывает, кто говорит и в каком состоянии.

Прочитай как пожилой ворчливый сосед, который устал и всем недоволен.
Говори медленно, с тяжёлыми вздохами, перед последней фразой сделай паузу.
Без крика — он не злится, он просто разочарован в жизни.

Опять лифт не работает. Двадцать лет живу в этом доме.
И каждый раз одно и то же.

Прочитай как ведущий вечернего шоу, торжественно и с огромным энтузиазмом.
Интонация идёт вверх к концу каждой фразы, перед главной новостью длинная пауза.

Добрый вечер, дорогие зрители! Сегодня в нашей студии событие года.
Кот наконец слез со шкафа!

После первой генерации проверьте, что модель не зачитала саму ремарку вслух. Если зачитала, сократите её и отделите от реплики пустой строкой или двоеточием.

Хорошая ремарка отвечает на три вопроса: кто этот человек, что он сейчас чувствует и чего в подаче быть не должно. Последний пункт часто забывают, а он помогает: «без крика», «без смеха», «не переигрывай».

Для сценки на двоих в Gemini озвучьте реплики каждого героя отдельными генерациями с одинаковой ремаркой, а затем склейте их в любом редакторе. Это чуть дольше, зато каждый персонаж под полным контролем.

Почему не копируем голоса реальных людей

Самая частая просьба в этой теме — «сделай голосом известного актёра» или «пусть говорит как наш начальник». Мы так не делаем, и дело не только в правилах.

Во-первых, голос — это часть личности человека. Использовать его без согласия — примерно то же самое, что взять чужое фото и выдать за своё. Даже в шутку это может обидеть, навредить репутации или ввести кого-то в заблуждение. Поэтому чужой голос — только с явного согласия его владельца. Клонирования голоса в каталоге Most AI нет.

Во-вторых, для скетча это и не нужно. Персонаж узнаётся по манере, а не по конкретному тембру. «Строгий начальник, который говорит короткими фразами и всегда смотрит на часы» — это смешно и узнаваемо, и при этом вы никого не копируете. Пародируйте типаж, а не человека.

Что чаще всего идёт не так

• Все персонажи звучат одинаково. Причина обычно в тексте: все реплики звучат одним и тем же языком. Дайте каждому герою свои словечки и свою длину фраз.
• Переигрывание. Слишком много тегов, восклицательных знаков и капса. Уберите половину — характер станет ярче, а не бледнее.
• Герой меняется от эпизода к эпизоду. Вы забыли, какой голос выбрали. Заведите на каждого персонажа карточку: голос и базовая ремарка.
• Длинные реплики. В скетче фраза длиннее двух строк теряет ритм. Режьте.

Про стоимость: в Most AI вы платите за генерацию, а не подпиской, и на подбор голосов уйдёт несколько попыток, так что заложите их заранее. Актуальные условия по голосовым моделям смотрите в прайсинге.

Частые вопросы